굿

Ⅰ. 행동에 따른 보상으로 모델 학습, 강화학습의 개요

가. 강화학습의 정의

- 주어진 환경에서 정의된 에이전트가 현재 상태를 인식하여 선택 가능한 행동들 중 보상을 최대화하는 행동을 선택하도록 학습하는 기계학습의 한 방법

나. 강화학습의 특징

Ⅱ. 강화학습의 개념도 및 주요 기법

가. 강화학습의 개념도

- 에이전트가 행동을 취하고 이에 따른 보상을 최대화하는 정책 학습

나. 강화학습의 주요 기법

Ⅲ. 강화학습 활용 분야

Ⅰ. 생성형 적대 신경망, GAN의 개요

가. GAN의 정의

- 가짜 데이터를 생성하는 모델과 진짜와 가짜를 구분하는 모델을 함께 학습시켜 진짜와 구분하기 힘든 데이터를 생성하는 모델

나. GAN의 특징

Ⅱ. GAN의 절차도 및 구성요소

가. GAN의 절차도

- 분류기는 분류 정확도 높이도록, 생성자는 분류 정확도 낮추도록 학습 진행

나. GAN의 구성요소

Ⅲ. GAN의 도전과제

- 기술의 부정적 사용 문제 해결을 위한 정부 차원 법적 제도화 필요

Ⅰ. 시계열 분석 개념

- 시간의 흐름에 따라 기록된 데이터를 분석하고 여러 변수간의 인과관계를 분석하는 방법론

Ⅱ. 시계열 데이터의 특징

Ⅲ. 시계열 분석 모델

Ⅰ. 시퀸스 데이터 학습 모델, RNN

가. RNN의 정의

- 시계열 데이터와 같이 시퀸스 데이터를 학습하기 위해 과거 출력을 재귀적으로 참조하는 모델

나. RNN의 동작방식

- 주요 데이터 사이가 멀어지면 장기의존성 문제 해결위해 LSTM 등장

Ⅱ. RNN 한계 극복 모델, LSTM

가. LSTM의 정의

- RNN의 출력과 멀리 있는 정보를 기억할 수 없어 발생하는 문제 보완한 장/단기 기억 모델

나. LSTM의 동작 방식

Ⅲ. LSTM 보다 간단한 구조의 GRU

- reset gate와 update gate 2개로 LSTM 구조를 단순화 시킨 모델

Ⅰ. 컴퓨터 비전 분석 대표 인공지능 알고리즘, CNN의 정의

- 주로 이미지 및 영상 분석에 사용되며 이미지의 특징을 학습하고 이를 활용해 이미지를 분류하는 인공지능 모델

Ⅱ. CNN의 구조 및 주요 layer 설명

가. CNN의 구조

- CNN은 Convolution Layer, Pooling Layer, Fully Connected Layer로 구성된

나. CNN의 주요 layer 상세 설명

주요 계층	개념도	설명
Convolution Layer		- 이미지를 filter를 통해 탐색하고 특징을 추출하여 feature map을 생성 - 필터의 이동량을 stride로 조절 - 데이터 손실 방지를 위해 padding 활용
Pooling Layer		- 기하급수적으로 늘어나는 연산량을 줄이기 위해 주요 특징만 강조하여 이미지 사이즈를 줄이는 과정 - max pooling, average pooling 등이 존재
Fully Connected Layer		- 앞에서 추출한 특징을 활용하여 최종 이미지를 분류하기 위한 계층

Ⅲ. CNN의 문제점 해결, ResNet

- 층이 깊어지면 정확도가 떨어지는 문제를 skip connection을 활용해 해결

1. 나무 구조의 분류 및 예측 분석 모델, 의사결정나무의 개념

2. 의사결정나무의 불순도 및 분석 프로세스

가. 의사결정나무의 불순도

구분	수식	설명
지니 지수		- 불순도 측정 지수, 얼마나 다양한 데이터가 섞여있는지 정도 - 지니 지수가 0이면 모든 데이터가 균일
엔트로피 지수		- 모델 예측 값과 실제 값 간의 절대오차의 평균 - 엔트로피가 높으면 불순도가 높다는 의미
정보 획득		- 전체 엔트로피와 분할 후 엔트로피의 차이 - 정보 획득이 없을 때까지 트리 생성

나. 의사결정나무 분석 프로세스

3. 의사결정나무 알고리즘

4. 의사결정나무 활용 기반 알고리즘

- 의사결정나무를 기반으로 보팅, 배깅, 부스팅 기법을 사용해 다양한 머신러닝 분석 모델로 활용

1. 누락된 데이터 값, 데이터 결측값

가. 결측값의 정의

- 데이터 수집 및 처리 과정에서 정보 손실, 연구 대상 무응답 등 여러 원인으로 발생한 데이터 누락 값

나. 결측값의 종류 및 처리 방법

- 결측값 발생시 연구 신뢰도 감소 및 편향 발생으로 적절한 조치 필요

2. 정상 범위를 벗어난 데이터, 데이터 이상값

가. 이상값의 정의

- 각 변수의 분포에서 비정상적으로 분포를 벗어나는 극단적인 값

나. 이상값의 검출 방법 및 처리 방법

- 이상값 발생시 편향으로 과대 또는 과소 추정이 발생하므로 적절한 조치 필요

1. 컴퓨터 비전 데이터 라벨링, 이미지 데이터 어노테이션의 정의

- 인공지능 모델을 학습시키기 위한 학습 데이터 생성 과정에서 이미지 데이터에 레이블을 추가하는 과정

2. 이미지 데이터 어노테이션 유형 및 기법

가. 이미지 데이터 어노테이션 유형

나. 이미지 데이터 어노테이션 기법